Serveur MCP élastique : Expose les outils de l'Agent Builder à n'importe quel agent d'intelligence artificielle

Agent Builder est désormais disponible en aperçu technique. Commencez avec un essai Elastic Cloud et consultez la documentation d’Agent Builder ici.

Elastic Agent Builder est une plateforme permettant de créer des outils et des agents profondément intégrés à vos propres données dans Elasticsearch. Par exemple, vous pouvez créer des outils qui effectuent des recherches sémantiques sur des documents internes, analysent les journaux d'observabilité ou interrogent les alertes de sécurité.

Mais la véritable magie s'opère lorsque vous pouvez introduire ces outils personnalisés et conscients des données dans les environnements où vous passez le plus clair de votre temps. Et si l'agent de votre éditeur de code pouvait accéder en toute sécurité à la base de connaissances privée de votre organisation ?

C'est là qu'intervient le protocole de contexte de modèle (MCP). Elastic Agent Builder est livré avec un serveur MCP intégré qui permet d'accéder aux outils de la plateforme.

Pourquoi utiliser le serveur MCP Elastic Agent Builder ?

Les agents d'IA sont incroyablement puissants, mais leurs connaissances sont généralement limitées aux données sur lesquelles ils ont été formés et aux informations qu'ils peuvent activement rechercher sur l'internet public. Ils ne connaissent pas les documents de conception internes de votre entreprise, les manuels de déploiement spécifiques de votre équipe ou la structure unique des journaux de votre application.

Le défi consiste à donner à votre assistant d'intelligence artificielle le contexte spécialisé dont il a besoin. C'est précisément le problème que le MCP est censé résoudre. MCP est une norme ouverte qui permet à un modèle ou à un agent d'IA de découvrir et d'utiliser des outils externes.

Pour rendre cela possible, l'Elastic Agent Builder expose nativement vos outils personnalisés par le biais d'un serveur MCP intégré. Cela signifie que vous pouvez facilement connecter n'importe quel client compatible MCP, comme Cursor, VS Code ou Claude Desktop, avec les outils spécialisés et sensibles aux données que vous avez construits avec Elastic Agent Builder.

Quand utiliser MCP (et quand ne pas le faire)

Elastic Agent Builder comprend plusieurs protocoles pour prendre en charge différents modèles d'intégration. Il est essentiel de choisir la bonne solution pour mettre en place des flux de travail efficaces en matière d'IA.

• Utilisez MCP pour compléter votre agent d'intelligence artificielle (comme dans Cursor ou VS Code) avec des outils spécialisés. Il s'agit de l'approche ""apportez vos propres outils"", qui permet d'améliorer l'assistant que vous utilisez déjà grâce à un accès sécurisé à vos données privées. Seuls les outils sont exposés par l'intermédiaire du serveur MCP - les agents d'Elastic sont distincts.
• Utilisez le protocole A2A pour permettre à votre agent Elastic personnalisé de collaborer avec d'autres agents autonomes (comme dans Gemini Enterprise de Google). Il s'agit de la délégation d'agent à agent, où chaque agent travaille comme un pair pour résoudre un problème.
• Utilisez les API de l'Agent Builder pour un contrôle programmatique complet lors de la création d'une application personnalisée à partir de zéro.

Pour un développeur qui cherche à obtenir des réponses dans sa documentation interne sans quitter son IDE, le MCP est la solution idéale.

Exemple : vos outils personnalisés dans Cursor avec le serveur MCP Agent Builder

Prenons un exemple pratique que j'utilise quotidiennement. Tout d'abord, j'ai exploré et indexé notre documentation technique interne dans un index Elasticsearch appelé elastic-dev-docs. Nous pourrions utiliser les outils génériques intégrés disponibles dans Agent Builder, mais nous allons créer notre propre outil personnalisé pour interroger cette base de connaissances spécifique.

La raison de la construction d'un outil sur mesure est simple : contrôle et précision. Cette approche nous permet d'exécuter une requête sémantique rapide directement sur notre index elastic-dev-docs. Nous avons un contrôle total sur l'index ciblé et sur la manière dont les données sont extraites.

Voici maintenant comment nous pouvons utiliser cette base de connaissances personnalisée dans un éditeur de code doté d'une intelligence artificielle, comme Cursor.

Étape 1 : Créer un outil de base de connaissances personnalisé dans Agent Builder

Tout d'abord, créez un nouvel outil dans Agent Builder. Une description claire et précise de l'outil est importante car c'est ainsi que tout agent d'IA, qu'il s'agisse de l'agent Elastic interne ou d'un outil externe tel que Cursor se connectant via MCP, découvre et sélectionne votre outil pour la bonne tâche.

Une description solide doit être explicite. Par exemple : "Effectue une recherche sémantique sur l'index elastic-dev-docs pour trouver la documentation d'ingénierie interne, les runbooks et les procédures de mise en production."

L'outil est alors configuré pour effectuer une recherche sémantique dans notre index spécifique. Une fois sauvegardé, il est immédiatement disponible pour être servi.

Avant de le connecter au monde extérieur, vous pouvez le tester directement dans l'interface utilisateur. Il suffit de cliquer sur le bouton Test pour remplir manuellement les paramètres, émuler ce que le LLM fera, et inspecter les résultats pour confirmer que tout fonctionne correctement.

Étape 2 : Connecter le curseur au serveur Elastic MCP

Elastic Agent Builder expose automatiquement tous les outils disponibles via un point de terminaison MCP sécurisé. Vous pouvez trouver l'URL unique de votre serveur dans l'interface utilisateur Outils de Kibana.

Pour se connecter à Cursor, il suffit d'ajouter cette URL à son fichier de configuration, ainsi qu'une clé API Elastic pour l'authentification(découvrez comment créer une clé API ES). Nous utilisons une clé API pour l'autorisation, car elle garantit que les outils ne s'exécutent qu'avec les permissions que vous avez accordées, en respectant toutes vos règles de contrôle d'accès.

La configuration MCP dans le site ~/.cursor/mcp.json de Cursor se présente comme suit :

Une fois la configuration sauvegardée, vous devriez voir l'outil Elastic Agent Builder MCP server disponible dans Cursor.

Étape 3 : Posez vos questions !

Une fois la connexion établie, les agents Cursor peuvent maintenant invoquer vos outils personnalisés pour répondre à vos questions ou guider le processus de génération de code.

Posons une question précise :

"Consulter les étapes pour libérer le service de crawler de la documentation interne de l'ingénierie d'elastic search org"

En coulisses, la magie opère :

1. L'agent du curseur décide de la meilleure façon de répondre à votre question et décide d'appeler la fonction engineering_documentation_internal_search
2. Il invoque l'outil à l'aide d'une requête en langage naturel
3. L'outil effectue une recherche sémantique dans l'index elastic-dev-docs et renvoie les procédures les plus pertinentes et les plus récentes.

Nous obtenons une réponse précise et fiable, basée sur notre documentation interne, sans jamais quitter l'éditeur de code. L'expérience est transparente et puissante.

À vous de construire

Vous avez maintenant vu comment utiliser le serveur MCP intégré dans Elastic Agent Builder pour étendre vos assistants IA avec un accès sécurisé à vos données privées. Pour que les modèles soient réellement utiles, il est essentiel de les ancrer dans vos propres informations.

Pour récapituler, nous avons couvert les principales étapes :

• Choisir le bon protocole pour vos besoins (MCP).
• Création d'un outil de base de connaissances personnalisé.
• Connecter cet outil à un assistant IDE comme Cursor.

Vos agents et vos outils n'ont plus besoin d'être déconnectés de leur contexte le plus précieux. Nous espérons que ce guide vous aidera à créer des flux de travail plus efficaces et tenant compte des données. Bonne construction !